ایجاد مورد برای هوش مصنوعی آگاه از متن

هوش مصنوعی سازمانی می‌تواند توصیه‌هایی ایجاد کند، وظایف را خودکار کند و به سازمان‌ها در تصمیم‌گیری سریع‌تر کمک کند. اما بدون درک چگونگی عملکرد یک تجارت، حتی مدل‌های قدرتمند نیز می‌توانند محدودیت‌ها و روابطی را که تعیین می‌کنند تصمیم درستی است، از دست بدهند. از آنجایی که شرکت ها به دنبال انتقال هوش مصنوعی از آزمایش به عملیات روزمره هستند، چالش پیش رو این است که به فناوری زمینه ای برای عمل مفید در فرآیندهای تجاری پیچیده بدهد.

برای Devavrat Shah، دانشمند ارشد هوش مصنوعی سازمانی در Celonis، این زمینه برای آنچه او «هوش تصمیم‌گیری» می‌نامد، مرکزی است. او استدلال می کند که عوامل هوش مصنوعی می توانند وظایف فردی را در فرآیندهای تصمیم گیری بزرگتر پشتیبانی کنند، اما آنها باید نقشی که هر وظیفه ایفا می کند و شرایط تجاری پیرامون آن را درک کنند. او می گوید: «شما نمی توانید این کار را فقط در خلاء انجام دهید. بدون زمینه عملیاتی مناسب، عوامل خطر نادیده گرفتن محدودیت‌های مهم، مرتکب اشتباهات پرهزینه، یا مصرف بیش از حد منابع محاسباتی را در حین تلاش برای یافتن آنچه باید بدانند، دارند.

راه حل با اتصال هوش مصنوعی به فرآیندها و داده هایی که شرکت ها قبلا استفاده می کردند شروع می شود. یک لایه زمینه‌ای می‌تواند به عوامل کمک کند تا جریان‌های کاری را درک کنند، در چارچوب‌های محافظ تعریف‌شده عمل کنند و توصیه‌هایی را ارائه دهند که افراد بتوانند آن‌ها را بررسی و تأیید کنند. شاه به سازمان‌ها توصیه می‌کند که با یک تصمیم تجاری خاص شروع کنند، سخت‌ترین مراحل آن را شناسایی کنند و آزمایش کنند که آیا هوش مصنوعی می‌تواند آنها را بهبود بخشد. سپس اندازه‌گیری افزایش سرعت و ارزش می‌تواند به تعیین اینکه آیا یک برنامه ارزش مقیاس‌پذیری دارد یا خیر کمک می‌کند.

این رویکرد همچنین می تواند نحوه گذراندن وقت کارکنان را تغییر دهد. خودکارسازی کارهای تکراری، دستی و هماهنگی وظایف در بین تیم‌ها می‌تواند افراد را آزاد کند تا روی تصمیم‌های استراتژیک پیچیده‌تر تمرکز کنند. با این حال، درک این مزیت مستلزم سرمایه‌گذاری در آموزش نیروی کار است، بنابراین کارکنان می‌توانند خروجی‌های هوش مصنوعی و پیامدهای آن را به‌جای واگذاری تصمیم‌ها به نمایندگان، درک کنند.

با نگاهی به آینده، شاه فرصت‌هایی را از وظایف عملیاتی معمول تا برنامه‌ریزی کل شرکت در زمینه‌هایی مانند امور مالی، مدیریت نیروی کار، بازاریابی و فروش می‌بیند. با زمینه مناسب، هوش مصنوعی می‌تواند به سازمان‌ها در ارزیابی گزینه‌ها و تصمیم‌گیری سریع‌تر کمک کند. همانطور که شاه می گوید، «حالا، شاید [برنامه ریزی منابع] نباید آنقدر زمان ببرد، و مردم در واقع به سرعت انتخاب های درست را انجام می دهند».

این قسمت از Business Lab با مشارکت Celonis تولید شده است.

متن کامل

مگان تیتوم: از بررسی فناوری MIT، من مگان تیتوم هستم، و این آزمایشگاه تجاری است، نمایشی که به رهبران کسب‌وکار کمک می‌کند فناوری‌های جدیدی را که از آزمایشگاه بیرون می‌آیند و وارد بازار می‌شوند، درک کنند.

این پادکست با مشارکت Celonis تولید شده است.

اکنون، هوش مصنوعی سازمانی در یک دوراهی قرار دارد. تیم‌های رهبری پس از سال‌ها آزمایش، دموها و آزمایش‌های آزمایشی، مدرک واضحی می‌خواهند مبنی بر اینکه افزایش مقیاس تأثیر مثبتی بر نتیجه آنها خواهد داشت، اما بسیاری از آنها بخشی جدایی ناپذیر از پازل را از دست می‌دهند. با عمل بدون زمینه عملیاتی، هوش مصنوعی و عوامل هوش مصنوعی سازمانی با کسری قابل توجهی عمل می کنند. آنها اصول کلی را در سناریوهای تخصصی به کار می برند و کوتاه می آیند و رهبران کسب و کار را به طور قابل درک متقاعد نمی کنند و پتانسیل هوش مصنوعی را محقق نمی کنند.

دو کلمه برای شما: زمینه مهم است.

مهمان امروز من Devavrat Shah، دانشمند ارشد هوش مصنوعی سازمانی در Celonis است.

خوش آمدید، Devavrat.

دواورات شاه: سلام مگان. از اینکه من را اینجا دارید متشکرم

مگان: خیلی ممنون که امروز اینجا با ما بودید. Devavrat، برای شروع، چرا اینقدر مهم است که سازمان ها در حال حاضر به زمینه عملیاتی مربوط به هوش مصنوعی سازمانی فکر کنند؟ چه چیزی آن را به بخش مهمی از آن گذار از آزمایش به مقیاس تبدیل می کند؟

دواورات: این یک سوال فوق العاده است. و همانطور که شما به درستی اشاره کردید، تا آنجا که مربوط به هوش مصنوعی است، ما در آستانه تبدیل شدن به یک جریان تجربی به جریان اصلی هستیم. همانطور که می دانید، من بیش از دو دهه گذشته به عنوان استاد در دانشگاه MIT به تدریس هوش مصنوعی پرداخته ام، بنابراین جای تعجب نیست که درباره آینده هوش مصنوعی در شرکت ها بسیار خوشبین هستم.

روشی که من در مورد جایی که هوش مصنوعی می‌تواند بیشترین تفاوت را در شرکت‌ها ایجاد کند فکر می‌کنم در تصمیم‌گیری، کمک به شرکت در تصمیم‌گیری است، یا به عبارت دیگر، چگونه هوش تصمیم‌گیری را به شرکت‌ها بیاوریم؟ همانطور که به تصمیمات فکر می کنیم، امروز چگونه تصمیم می گیریم؟ مرور فنی MIT را بگیرید، Celonis را بگیرید، MIT را بگیرید، هر سازمان بزرگی را بگیرید. ما انواع مختلفی از تصمیمات را داریم که می خواهیم در گام های بسیار گسترده بگیریم. تصمیماتی هستند که تصمیمات استراتژیک هستند مانند اپیزودیک، تصمیمات دیگری که عملیاتی هستند و باید با فرکانس بالا انجام شوند.

در هر یک از آنها، ما برخی از فرآیندها را در جای خود داریم. شما اول این کار را انجام دهید، اول آن را انجام دهید، اول آن را انجام دهید، اول آن را انجام دهید. بسیاری از ما به هماهنگ کردن آن چیزها کمک می کنیم. بسیاری از ما در آن نقش بازی می کنیم، چیزی که جنسن هوانگ آن را وظیفه می نامد. و هنگامی که آن کارها را گام به گام انجام دادید، آنگاه تصمیم می گیرید.

اکنون، این وظایف، یا آنچه من آن را نقش‌ها می‌نامم، جایی است که هوش مصنوعی می‌تواند به شیوه‌ای اتمی قدرت عاملی را به ارمغان بیاورد تا ما بتوانیم حداقل بخش‌هایی از تصمیم‌ها، اگر نه همه تصمیم‌ها، پشتیبانی را تقویت کنیم و شاید گاهی اوقات زمانی که یک خودکار دردناک است. و برای رسیدن به آن، برای اینکه بدانیم کدام نقش را انجام دهیم، کدام وظیفه را انجام دهیم، واقعا باید زمینه را بشناسیم. شما نمی توانید این کار را فقط در خلاء انجام دهید. و به همین دلیل است که زمینه با هوش مصنوعی که به روشی درست کنار هم قرار گرفته اند، چیزی را که من آن را هوش تصمیم گیری می نامم، به سازمان می آورد.

و اینجاست که فکر می‌کنم بزرگ‌ترین تحولی رخ خواهد داد.

مگان: درسته. برای تشریح جزئیات بیشتر، می‌دانیم که بسیاری از سازمان‌ها، همانطور که شما می‌گویید، در حال حاضر از هوش مصنوعی یکسان با این پتانسیل برای تصمیم‌گیری مستقل و فزاینده استقبال می‌کنند. اگر زمینه به طور موازی معرفی نشود، چه خطرات تجاری در بازی وجود دارد؟

Devavrat: فوق العاده. بگذارید فقط تنظیماتی را که توضیح دادم در نظر بگیریم. ما در تلاش هستیم تا یک نقش را خودکار کنیم یا یک نقش را پشتیبانی کنیم یا یک نقش را بسته به نوع تصمیم، بسته به نوع کار، تقویت کنیم. و اجازه دهید برای لحظه‌ای تصور کنیم که همه این آزمایشگاه‌های مرزی این مدل‌های شگفت‌انگیز و زیرساخت‌های هوش مصنوعی شگفت‌انگیز را ساخته‌اند تا همه چیزهایی که در جهان اتفاق افتاده و احتمالا در کیهان اتفاق می‌افتد، وجود داشته باشد.

اکنون، ما یک تصمیم کوچک داریم که می‌خواهیم برای آن زمینه بسیار خاص اتخاذ کنیم. و بدون دسترسی به آن، این سیستم عظیم، این فرد فوق‌العاده باهوش، در نهایت با پرسیدن سؤالات فراوان، روشی که ما به‌عنوان انسان این کار را انجام می‌دهیم، متوجه می‌شود و در نهایت کار درست را انجام می‌دهد. مشکل این است که به آن برسید، آنقدر محاسبات را در سطحی انجام می دهد که برای انجام کارهای ساده، ما حجم زیادی از محاسبات را صرف می کنیم. پس این سناریو یک است.

در واقع، این سناریو نخواهد بود، و ما برخی زمینه های مهم، محدودیت های مهم، نرده های محافظ مهم را از دست خواهیم داد و سپس مرتکب اشتباه خواهیم شد. و گاهی اوقات این اشتباه می تواند مشکلی نداشته باشد. مثل این است که من به شما توصیه ای می کنم و می گویم، به رستوران A بروید، و شاید از شام لذت نبرید، در حالی که گاهی اوقات اشتباهات بسیار بسیار گران هستند. این من به شما می گویم که پیش بینی مالی چیست و به نوعی منجر به نابودی شرکت می شود.

مگان: درسته. بنابراین در یک محیط سازمانی، اینها واقعا تصمیمات حیاتی تجاری هستند که گرفته می شوند. بنابراین اگر این اشتباه را دریافت کنیم، تأثیر آن بسیار بیشتر است، اینطور نیست؟ و در سطح عملی، راه‌های مختلفی که سازمان‌ها می‌توانند در این لایه بافتی که در مورد آن صحبت می‌کنیم اضافه کنند، چیست؟ به عنوان مثال، Celonis چگونه آن زمینه عملیاتی را از طریق یک دوقلوی دیجیتالی بی‌درنگ یک سازمان ارائه می‌کند؟

دواورات: کاملا. من فکر می کنم اگر ممکن است مفید باشد فقط روی تاریخچه Celonis دوبار کلیک کنید. همانطور که می دانید، Celonis به عنوان یک سازمان، با این مأموریت پا به عرصه وجود گذاشت، با این هدف که به سازمان ها کمک کند تا به فرآیندهای ایده آل خود پایبند باشند، فرآیندهای بهتری ایجاد کنند، افراد را قادر به کار با چندین فرآیند به صورت در هم تنیده کنند. و این جایی است که اصلی آنها، اجازه دهید آن را DNA بنامیم، در مورد چیزی است که من آن را هوش فرآیندی می نامم.

در نظر بگیرید که چگونه شرکت‌ها به کنار هم قرار دادن چندین چیز کمک می‌کنند، آنها را دیجیتالی می‌کنند، مردم را قادر می‌سازند تا فرآیندهای خود را بهتر انجام دهند، درک کنند که مسائل کجا هستند، و سپس چگونه فرآیند را در سازمان‌ها دوباره مهندسی کنید تا همه چیز بهتر اتفاق بیفتد.

حال، اگر می‌خواهید هوش تصمیم‌گیری را وارد این موضوع کنید، هر مرحله اتمی از این فرآیند که به طور بالقوه قبلا توسط متخصصان، افراد انجام می‌شد، اکنون ما می‌خواهیم عواملی به ما کمک کنند تا آن را فعال کنیم. و اینجاست که دانستن این زمینه از یک فرآیند درون سازمانی و سپس آوردن عوامل هوش مصنوعی به همراه آن، چیزی که من می‌خواهم آن را به عنوان یک عامل نقش‌آفرین نام ببرم، دقیقا راه درستی را برای آوردن هوشمندی تصمیم به شرکت‌ها فراهم می‌کند. و اینگونه است که Celonis زمینه را برای کمک به شرکت در تصمیم گیری بهتر به ارمغان می آورد.

مگان: درسته. و سپس از نظر نحوه کار این نیز، لایه زمینه چه ارتباطی با لایه زیر دارد، یعنی سیستم های لایه رکورد، و همچنین لایه بالا، آن لایه یکسان؟

دواورات: این یک سوال فوق العاده است، مگان. لایه زیر در درجه اول، اگر آن را سیستم ثبت نام بگذاریم، در درجه اول ابزارهای گردش کار هستند که در آنجا هستند و سپس گزارش رویدادهایی که در اطراف آن ایجاد می کنند. لایه بالا یا کارشناسان کاربران تجاری است که اطلاعات را مصرف می کنند، یا آنها این اطلاعات را ممکن است از طریق عواملی که در بالای آن لایه زمینه کار می کنند مصرف می کنند. و اینجاست که روشی که مدل زمینه، همانطور که سلونیس آن را می نامد، برای انجام سه کار به طور همزمان طراحی شده است.

یکی این است که انتزاع درستی از لایه زیر به دست آورید تا بتوان قطعات مناسب فرآیند را عاملیت کرد. دوم این است که عوامل نورد شده برای هر یک از این قطعات را به صورت ساختاربندی شده به صورت حفاظی بیاورید. و سپس این سه باید ابتدا عامل باشند تا اگر زیرساخت‌های عامل دیگری وجود داشته باشد که قبلا با آن صحبت می‌کنند، طبیعتا بتوانند با آن صحبت کنند تا سپس بتوانند خروجی مناسبی را برای انسان‌ها یا متخصصان به ارمغان بیاورند تا بررسی کنند، به آن نگاه کنند، تأیید کنند، و شاید بعدا گاهی اوقات خودکار کنند.

مگان: فوق العاده است. و با وجود تمام مزایایی که ما در مورد آن صحبت می کنیم، آیا هنگام اجرای یک لایه زمینه چالش هایی نیز وجود دارد؟ به عنوان مثال، آیا بیشتر سازمان‌ها داده‌های مناسبی برای ارائه زمینه مورد نیاز هوش مصنوعی دارند؟ و اگر نه، نمی‌دانم برخی از گام‌های عملی که ممکن است برای رسیدگی به آن نیاز داشته باشند، چیست.

Devavrat: دوباره، یک سوال حیاتی برای واقعی کردن این موضوع است. ما می‌توانیم یک دنیای ایده‌آل را تصور کنیم، اما اگر نتوانیم به دنیای ایده‌آل برسیم، آن‌گاه ایده‌آل است. بنابراین اکنون در این تنظیمات، همانطور که در مورد سه لایه بحث کردیم، یکی لایه ای است که لایه زیر سیستم ابزارهای رکورد و گردش کار است. به نوعی، آن چیزها از قبل وجود دارند. آنها نیازی به کامل بودن ندارند. آنها نیازی به تمیزترین حالت ممکن ندارند. روشی که مدل زمینه با معماری عامل طراحی می شود، می تواند به آن چیزها متصل شود و آن را معنا کند.

و پس از آن همه چیز به شدت زیرساخت Celonis را تحت کنترل دارد، بنابراین آنقدرها هم پیچیده نیست. با این حال، نکته مهم در اینجا این است که وقتی به سازمانی می‌روید، زمانی که یکی را باز می‌کنید، مثلا سیستمی از رکورد یا ابزار گردش کار، گزارش رویدادها یا مواردی از این قبیل، باید از طریق آنچه که من می‌گویم InfoSec کلاسیک می‌نامم، بگذرید تا مطمئن شوید که می‌توانید به نرم‌افزار فروشنده‌ای که وارد سازمان شما می‌شود اعتماد کنید. و من فکر می کنم که این فرآیند اولیه است که یک مرحله بین قبل و بعد از آن است.

مگان: درسته. بنابراین این گام بسیار مهمی است که مردم باید در اینجا بردارند. و از آنجایی که عوامل هوش مصنوعی با زمینه می‌توانند تصمیمات امیدوارانه‌تری پیچیده‌تر و دقیق‌تر بگیرند، نمی‌دانم نقش هوش انسانی و ورودی‌ها چگونه پیش می‌رود و سازمان‌ها چگونه می‌توانند بین این دو تعادل برقرار کنند؟

Devavrat: فواید و سپس چالش ها وجود دارد. مزایا مشخص است. اگر عوامل هوش مصنوعی مناسبی دارید که به شیوه ای مناسب در فرآیند تصمیم گیری شما انجام می دهند، امیدواریم که آنها این کار را سریعتر انجام دهند و بنابراین تصمیمات شما زودتر گرفته می شود تا هزینه فرصت شما از دست نرود. شما به موقع تصمیم می گیرید، می توانید خیلی بهتر برنامه ریزی کنید، و غیره. این به ویژه زمانی مفید است که مجبور باشید کارهای بسیار دستی، تکراری و سختی را انجام دهید، جایی که دسترسی به نیروی کار، هماهنگی بین افراد بخش مهمی از فرآیند تصمیم گیری است.

به یک معنا، اینجاست که ارزش عظیم می تواند وارد شود. طرف دیگر این است که به این معنی است که مردم این کار را انجام نخواهند داد.

از سوی دیگر، نوع دیگری از تصمیم گیری که ما همیشه می گیریم، یعنی تصمیمات استراتژیک. این می تواند یک تصمیم استراتژیک کوچک باشد، می تواند یک تصمیم استراتژیک بزرگ باشد، اما تصمیمات استراتژیک که معمولا اکثر سازمان ها پهنای باندی برای فکر کردن ندارند، این فرصت باز می شود و احتمالا بسیاری از افراد و متخصصان بیشتر درگیر می شوند.

به یک معنا، اکنون آنها حمایت بهتری خواهند داشت که به آنها کمک می کند تا به طور منطقی فکر کنند که چه انتخاب هایی دارند، انتخاب های مختلف چگونه با هم مقایسه می شوند؟ و سپس در پایان روز، این وظیفه سازمان است که تصمیم بگیرد کدام یک از گزینه ها را انتخاب کند، زیرا به علاقه آنها در ذهن تعلق دارد که می خواهند به کجا بروند.

و بنابراین به یک معنا، چیزی وجود خواهد داشت که من آن را جابجایی نیروی کار می‌نامم که به جای انجام کارهای بسیار تکراری‌تر، بسیار کمتر تکراری‌تر، اما بسیار استراتژیک‌تر، و اینجاست که مردم باید زمان خود را صرف کنند.

مکان دیگری که من شخصا بسیار خوشبین هستم این است که هر تغییر فناوری کار جدیدی ایجاد می کند که پیش بینی آن در زمان تغییر دشوار است. امید من این است که نوع دیگری از فرصت و کار ایجاد شود که در آن نیروی کار خود را درگیر کنیم. ناگفته نماند، این بدان معناست که ما باید به دقت از طریق آموزش مجدد یا آموزش برخی از نیروی کارمان به دقت فکر کنیم. و من فکر می کنم به عنوان یک دانشگاهی در من، به عنوان یک مربی در خودم، واقعا احساس می کنم که مقیاس زمانی که در آن این تغییرات اتفاق می افتد بسیار سریع است.

بنابراین ما نیز باید به شیوه ای مشابه عمل کنیم.

مگان: برای هر تصمیم گیرنده ای که به این موضوع گوش می دهد، چگونه باید این تغییرات را اجرا کند؟ مثلا چگونه می توانند نیروی کار خود را آماده کنند؟ حاکمیت نیز چه نقشی باید ایفا کند؟

دواورات: بسیار خوب، این یک سوال عالی است. اگر می خواهید شروع کنید، اولین کاری که باید انجام دهید این است که تصمیمی را شناسایی کنید که در آن می خواهید هوش را به ارمغان بیاورید. بیایید روند پیرامون آن را شناسایی کنیم. بیایید هر مرحله از فرآیند را شناسایی کنیم. بیایید مهم ترین و دشوارترین قدم را در آن برداریم. بیایید سعی کنیم عوامل هوش مصنوعی را برای انجام این کار به شما کمک کنند. و سپس از آنجا می روید و سپس بیایید اندازه گیری کنیم که چقدر سرعت می گیریم، چقدر ارزش دریافت می کنیم؟ و این به ما کمک می کند بفهمیم که آیا این ارزش آن را داشت یا خیر. پس این یکی است.

دوم حکمرانی است. خوب، ما می خواهیم هوش مصنوعی را به این روش تجویزی برای هر وظیفه در یک نقش بیاوریم. این بدان معنی است که برای آن نقش، ما می توانیم به وضوح بگوییم که چه کاری می تواند یا نمی تواند انجام دهد. و Celonis برای این چیزها عوامل نقش تأیید شده را تجویز می کند. این به شما کمک می کند تا به وضوح درک کنید که چه نوع قراردادی برای این کار وجود دارد.

و سومین چیز، که مردم هستند، و اکنون اینجاست که واقعا مهم است، بخشی است که خودکار می‌شود، اما بخشی وجود دارد که متخصصان در حلقه حضور خواهند داشت و اینجاست که آنها باید خروجی‌های هوش مصنوعی را درک کنند، چگونه با آن کار می‌کنید و پیامد آن چیست؟ و اینجاست که به آموزش هوش مصنوعی و سپس آموزش ابزار مورد نیاز است.

مگان: بله، قطعا. سرعت باورنکردنی است، اینطور نیست، در این فضا؟ و در مورد اینکه، فکر می‌کنم اگر می‌توانستیم با نگاهی به آینده، با در نظر گرفتن زمینه مناسب، موارد استفاده از هوش مصنوعی سازمانی که در افق هستند، چه مواردی هستند که فکر می‌کنید می‌توانند بیشترین تأثیر را داشته باشند یا شاید بیشتر از همه از آن هیجان‌زده هستید؟

دواورات: فکر می کنم آنها را به سه نوع دسته بندی کنم. همه آنها هوشمند تصمیم گیری، تصمیم گیری هستند، اما سه نوع وجود دارد. یکی، چیزی که من آن را کار فشرده دستی تکراری می نامم، پس این یکی است.

دو، آنچه را که من وظایف سبک هماهنگی می نامم. بسیاری از کارهایی که ما در حال حاضر به‌عنوان نیروی کار اطلاعاتی انجام می‌دهیم که با هماهنگی انجام می‌شود، به همین دلیل است که صفحات گسترده ایمیل و غیره. بسیاری از این کارها، به اصطلاح، بسیار بهتر، بسیار سریعتر و کمتر خسته کننده انجام می شود.

و بعد سوم جایی است که، به ویژه به عنوان حمایتی از تصمیم گیرندگان انسانی برای تقویت پشتیبانی استراتژیک، و این نوع سوم تصمیماتی است که انجام می شود. اگر من به هر فرآیند برنامه ریزی در شرکت ها فکر می کنم، بنابراین برنامه ریزی مالی، برنامه ریزی نیروی کار، بازاریابی، فروش، محصول، هر چیزی، همه اینها تصمیمات حیاتی کسب و کار هستند که ما می گیریم و فرآیند برنامه ریزی سالانه را انجام می دهیم، زمان سالانه را می طلبیم. اکنون شاید نباید آنقدر زمان صرف شود و مردم در واقع به سرعت انتخاب های درست را انجام می دهند.

مگان: این فوق العاده خواهد بود، اینطور نیست؟ فوق العاده از شما برای آن گفتگوی درخشان بسیار سپاسگزارم، دواورات. این دواورات شاه، دانشمند ارشد هوش مصنوعی سازمانی در سلونیس بود که من از برایتون در انگلستان با او صحبت کردم.

این برای این قسمت از Business Lab تمام شد. من میزبان شما هستم، مگان تیتوم. من یک ویرایشگر و میزبان مشارکت کننده برای Insights، بخش انتشار سفارشی MIT Technology Review هستم. ما در سال 1899 در مؤسسه فناوری ماساچوست تأسیس شدیم، و شما می توانید ما را به صورت چاپی، وب و رویدادهایی هر سال در سراسر جهان پیدا کنید. برای اطلاعات بیشتر در مورد ما و نمایش، لطفا وب سایت ما را در technologyreview.com بررسی کنید.

این نمایش در هر جایی که پادکست های خود را دریافت کنید در دسترس است. و اگر از این قسمت لذت بردید، امیدواریم لحظاتی را به امتیاز دهی و مرور ما اختصاص دهید. Business Lab محصولی از MIT Technology Review است و این قسمت توسط استودیو Giro تولید شده است. خیلی ممنون که گوش دادید خداحافظ

این محتوا توسط Insights، بازوی محتوای سفارشی MIT Technology Review، نه اعضای تحریریه آن تولید شده است. این توسط انسان ها تحقیق و نوشته شده است، با هر ابزار هوش مصنوعی که ممکن است محدود به فرآیندهای تولید تحت نظارت انسان باشد.